第十三名方案

首先，我要向组织本次比赛的举办方表示感谢，并向所有获奖者表示祝贺。下面是获得第十三名解决方案的概要。

概述

我使用 LightGBM 分别为生产和消费建立了模型。对于生产模型，我使用的目标值为 (target - target_lag2) / installed_capacity；对于消费模型，我使用的目标值为 (target - target_lag2) / eic_count。在推理期间，我对模型进行了三次重新训练。

验证

我使用单折验证，验证期间为 2023 年 1 月至 2023 年 5 月。提交时，我使用两个随机种子在全部数据上重新训练了生产和消费模型。

目标

生产目标: (target - target_lag2) / installed_capacity
消费目标: (target - target_lag2) / eic_count

主要特征

• 生产:

  • 日期相关特征（例如假期、月份、工作日）
  • eic_count、装机容量
  • 目标（生产）/装机容量的滞后和差分，包括统计量
  • 目标（生产）/eic_count 的滞后和差分，包括统计量
  • 目标（消费）/装机容量的滞后和差分，包括统计量
  • 目标（消费）/eic_count 的滞后和差分，包括统计量
  • 天气预报
  • 天气预报与历史天气的差异
  • 2 小时前、1 小时前、1 小时后的天气预报以及 1 小时前到 1 小时后的平均值
  • 工作日和周末的滞后目标（生产）/装机容量的平均值（例如，如果预测日是工作日，则取最近两个工作日的平均值；如果是周末，则取最近两个周末的平均值）
  • https://www.kaggle.com/competitions/predict-energy-behavior-of-prosumers/discussion/468654 感谢 @mohammadpakdaman0

• 消费:

  • 日期相关特征（例如假期、月份、工作日）
  • 目标（生产）/装机容量的滞后和差分，包括统计量
  • 目标（消费）/装机容量的滞后和差分，包括统计量
  • 目标（消费）/eic_count 的滞后和差分，包括统计量
  • 天气预报
  • 历史天气的滞后
  • 工作日和周末的滞后目标（消费）/eic_count 的平均值（例如，如果预测日是工作日，则取最近两个工作日的平均值；如果是周末，则取最近两个周末的平均值）
• 为了计算效率，只使用 LightGBM 判定的前 300 个最重要的特征用于生产模型，前 400 个最重要的特征用于消费模型。

重新训练

重新训练共进行了三次：2024 年 1 月底、2024 年 2 月底和 2024 年 3 月底。每次都会分别使用两个随机种子对生产和消费模型进行训练。